Improvement of InSAR displacements based on GNSS station calibration over corner reflector
Notice bibliographique
Résumé
• Analyzed GNSS calibration effectiveness on different InSAR algorithms. • Compared calibrated InSAR displacements with submillimeter precision NDTs. • Used polynomial regressions to model and correct InSAR displacement errors. • Validated improvement locally and globally using GNSS and levelling data. • Found linear adjustment to be the best justified option for calibration in most cases. This article presents an analysis of the effectiveness of performing a calibration through Global Navigation Satellite System (GNSS) data on different approaches of the Interferometric Synthetic Aperture Radar (InSAR). InSAR has become a key technique for monitoring ground surface, but its results often exhibit systematic biases and deviations from ground truth measurements. This study addresses the need for more reliable displacement data by evaluating a GNSS-based calibration approach across three InSAR processing approaches: i) Persistent Scattering Interferometry (PSI) method using the open-source software StaMPS, ii) PSI method using the commercial SARPROZ software and iii) the Quasi-PS method implemented with SARPROZ. Sentinel-1 A/B data from both ascending and descending orbits, covering the period from October 2017 to January 2019, were used. Displacement errors from the same points were modeled using polynomial regressions and calibrated using reference data from GNSS and levelling, both with submillimeter precision. The effectiveness of the calibration was assessed at two levels: locally (via a corner reflector) and globally (via a GNSS baseline several kilometers long). Results show that 25 out of 27 displacement time series required correction in the mean value, with StaMPS showing the greatest need for calibration. The calibration improved the original results at all scales and acted mainly on the mean difference, with linear calibration being the most robust and consistent option. These findings highlight the importance of incorporating ground truth data to enhance InSAR reliability and support its application in geodetic and structural monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».